2025年12月，OpenAI内部点亮了一盏红灯：CEO山姆·奥特曼（Sam Altman）发出“红色警报”（Code Red），要求公司加速推进在ChatGPT方面的工作，推迟其他产品的开发，以应对来自Google Gemini 3等对手的挤压。

这件事有点像科幻片里经典的镜头：警报响起，门禁落下，所有人冲向控制台。很快，在OpenAI成立的十周年纪念日之际，GPT-5.2正式发布，在多项基准测试中对Gemini 3实现了反超。

一、OpenAI十年回望

一切都从2015年那个不起眼的冬日开始。包括山姆・奥特曼、埃隆·马斯克(Elon Musk)在内的11个人，宣布要“做一些疯狂的、几乎不可能的、前所未有的事情”。当时的OpenAI不仅没有产品，连研究路线和盈利模式也说不清，“我们当时只是觉得这件事特别重要，值得全力以赴，即使成功概率微乎其微”。

这段叙述并不煽情，反而像科研笔记：不确定、但持续推进；小胜利与大量失败并存；文化上鼓励发现。它也点出了OpenAI一路“能跑到今天”的底层燃料：把研究变成可迭代的工程，再把工程变成可部署的产品。

OpenAI的发展历程可以浓缩成一句话：“把幻想做成流程”。他们不是押中了一次技术彩票，而是把一件极其不确定的事，硬生生做成了可迭代的工业流程：先用一连串高强度、可复现的实验把“训练这门手艺”练到肌肉记忆，再把“让模型更听人话”的方法当成主线工程来持续打磨——用人类反馈、对齐规范与评测体系，把聪明收束成可用，把输出从灵感变成交付。

OpenAI把算力、产品、生态和治理当作同一辆车的不同部件来经营：算力决定速度上限，工具链决定能不能干活，生态决定能不能铺开，治理决定能不能跑得久。他们的关键策略可以概括为四个短语：“大胆愿景、快速迭代、能力突破、安全护航”。

二、“红色警报”背后的难题

GPT-5.2的推出并不意味着“红色警报”的解除。OpenAI面临的技术、商业、伦理等方面挑战依然严峻。

1.脆弱的技术护城河

尽管GPT-5.2夺回了领先优势，但Google已经发动了一场不对称战争，主战场正在从模型转移到工具链、数据、行业渠道、应用生态与合规能力。

OpenAI采用的是“专家模式”，它试图打造一个全知全能的超级大脑，用户必须主动前往ChatGPT这个“神殿”去咨询。而Google走的是“生态模式”，它未必比GPT更聪明，但它无处不在。它内嵌在Android手机的底层、潜伏在Google Docs的文档流中、整合在Gmail的收发信件里。Google正在用其庞大的应用生态构建一个包围圈。对于普通用户而言，一个随手可得、深度集成在工作流中的“80分助手”，可能比一个需要单独登录、按次咨询的“90分专家”更有吸引力。

OpenAI拼的是“智商”，Google拼的是“摩擦力”。这就是“红色警报”的真相：技术护城河是可以被时间填平的，但生态护城河一旦形成，就是难以逾越的天堑。

2.算力与数据的双重围剿

如果说“专家模式”可能是OpenAI的商业软肋，那么算力与数据的困境就是它的物理极限。

一方面，OpenAI的成功建立在海量的GPU集群之上。每一代模型的推出，都意味着需要投入数十亿美元用于购买或租赁数万块最顶尖的GPU，这使得OpenAI的商业模式异常脆弱。而Google拥有自研的TPU芯片，能够实现从底层硬件到上层模型的垂直整合优化，效率更高，且成本更可控。

另一方面，GPT的突破所依赖的高质量数据集正日益枯竭。相比之下，Google和meta拥有难以逾越的“数据壕沟”：Google 掌握着全球最大的搜索引擎日志、Gmail、Google Docs以及YouTube；而meta拥有Instagram和Facebook的真实社交数据。虽然OpenAI使用合成数据训练也能提升模型能力，但学界已普遍担忧由此引发的“模型崩溃”风险，即模型退化和幻觉的指数级放大。

3.安全与对齐就像在走钢丝

前不久，OpenAI遭遇一起诉讼，指控ChatGPT在与一名男子对话过程中放大其偏执妄想，间接导致此人杀害其母亲后自杀。AI面对的是一个会变的系统、一个会变的世界以及会变着法儿试探你边界的人类。安全与对齐永远在路上。

安全远不是拒答违法内容那么简单，而是一套贯穿训练、评测、发布、监控、响应的全周期风控系统。“对齐”不是让模型永远正确，而是让它在真实使用中尽可能稳定地遵循人类意图与社会约束，并在发生冲突时知道“谁说了算”。

安全与对齐是一套需要长期运转的闭环：因为对齐目标本身会随法律、文化与社会共识而移动；模型能力每次升级都会带来新的风险形态；而真实世界的滥用者也会不断学习、迭代、寻找边界漏洞，而日益白热化的行业竞争会持续挤压安全缓冲时间。OpenAI处在“能力最前沿+用户规模最大+产品迭代最快”的交叉点，因此不得不长期在速度与安全之间走钢丝。

三、对中国AI产业的启示

从彼岸回到此岸，OpenAI的“红色警报”照出的，不应只是焦虑，而是一张路线图：当大模型从“会说”走向“会做”，胜负不再只取决于参数与榜单，而取决于你能不能把模型嵌进产业的血管里，让它变成稳定、可控、可复用的生产力。

1.别只盯着模型，要盯着系统

OpenAI十年的真正秘诀不是“突然变聪明”，而是把研究、工程、产品、算力与治理绑成一个整体系统。对中国企业而言，追模型是必要的，但更重要的是把“算力—数据—工具链—渠道—合规—交付”当作同一张账来算：模型是发动机，工作流是变速箱，数据是燃料，安全与合规是刹车系统；只装发动机，车跑不远。

2.把AI从“神殿”搬进“流水线”

中国最大的优势不在于更会写论文，而在于拥有全世界最厚实的产业现场。这些场景的共同点是“交付物”明确、流程可拆解、边界可定义。真正能赚到钱的AI，不是“无所不知的聊天框”，而是能在产业现场跑起来的助手/代理：它会填表、会对账、会查规程、会写报告、会在权限范围内调用工具，把隐性经验和行业知识变成可执行的步骤。

3.数据不是矿，是农田：要耕作、灌溉、除虫

高质量数据的日益稀缺倒逼中国企业不断改进自身的数据治理。很多行业并不缺数据，缺的是数据血缘、质量标签、权限治理与可追溯流程——也就是把数据从“堆放的原料”变成“可用的资产”。要建立数据闭环：用业务产生的数据改进模型，用模型创造更高质量的数据，再反哺业务。

4.算力贵就把自己变“省”：效率会成为新的护城河

当算力成为硬约束，路线就会从“更大”转向“更省”。蒸馏、小模型协同、混合专家、量化、缓存与批处理、推理加速、端侧/边缘推理……这些听上去像工程细节，但往往决定商业模型能不能跑通。未来的竞争会越来越像节能竞赛：谁能用更少的算力把同样的价值交付出来，谁就能把价格打下来，把应用铺开去。

5.入口与生态决定上限：别只做“应用”，要做“插件系统”

如果AI只能在一个孤岛App里发光，它就很难成为行业标准。更好的策略是把能力模块化、工具化，做成能嵌入企业软件、超级App与行业平台的“插件系统”：让合作伙伴在你的模型之上做行业交付，你在他们的渠道里获得分发与数据回流。生态不是口号，是把别人也变成你增长曲线的一部分。

6.把“加速”写进制度，也把“刹车”装进系统

对我们而言，关键不是“管得紧”还是“放得开”，而是做出一套可预期的制度缓冲垫：一方面把算力、能源与数据中心当作长期基础设施来规划，用更稳定的供给降低企业的试错成本；另一方面把安全评测、内容标识与审计接口等当作行业公共品来建设，让合规不再是每家公司各自造轮子。同时，政策可以更“分级”：对高风险应用提高门槛、强化监测与责任链条；对低风险应用提供监管沙盒与场景试点，鼓励在真实业务里跑出可复用的工作流标准。

总之，OpenAI的十年像一面镜子：它告诉我们，真正的领先不是“跑得最快”，而是“跑得快还能不摔倒”。中国AI产业的机会也不在于复刻某个神话，而在于把产业厚度、工程能力与治理体系拧成一股劲，让AI从热搜词变成生产线上的常驻员工——不必封神，能交付就够酷。

（作者王翔为复旦大学数字与移动治理实验室研究员）

王翔